PulseAugur
中
实时 09:40:45
English(EN) Adversarial Rademacher Complexity of Deep Neural Networks

新理论为深度神经网络的对抗Rademacher复杂度提供界限

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员首次为深度神经网络（DNN）中的对抗Rademacher复杂度（ARC）开发了理论界限。这一新界限解决了DNN泛化到受扰动测试数据的挑战，尽管它们能够拟合受扰动训练数据，但这一问题一直存在。该方法引入了“中间对抗样本”的概念和一个兼容的计算覆盖数的框架，与现有的Rademacher复杂度界限进行了定性比较。实验表明，权重范数是DNN中观察到的鲁棒泛化差距的一个重要因素。 AI

影响 提供了一个理论框架，以提高深度神经网络对抗对抗性攻击的鲁棒性。

排序理由 关于机器学习理论进展的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

新理论为深度神经网络的对抗Rademacher复杂度提供界限

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Jiancong Xiao, Yanbo Fan, Ruoyu Sun, Zhi-Quan Luo ·

    Adversarial Rademacher Complexity of Deep Neural Networks

    arXiv:2211.14966v2 Announce Type: replace Abstract: Deep neural networks (DNNs) are highly vulnerable to adversarial attacks. Ideally, a robust model should perform well on both perturbed training data and unseen perturbed test data. While DNNs can fit perturbed training data, ge…

相关实体

相关话题